空间转录组细胞通讯分析：COMMOT（Nature Methods，IF: 36.1）

空间转录组的细胞通讯分析算法很多，今天来学习一个可以得到通讯结果信息流向的一个算法COMMOT，这个算法被封装为了一个Python模块，算法于2023年1月23号发表在顶刊Nature Methods杂志上，标题为《Screening cell–cell communication in spatial transcriptomics via collective optimal transport》。

学习节奏：1看文献了解原理，2看官方说明手册，3运行官网示例，最后就是看这个算法在一些高分文献中的应用啦！

先把官网网址放出来：

官网的参考文档（https://github.com/zcang/COMMOT）

python官网：https://commot.readthedocs.io/en/latest/index.html（这里比较详细）

文献中的简单原理介绍

先看看几个缩写的含义：cell–cell communication (CCC)，COMMOT (COMMunication analysis by Optimal Transport， 基于最优传输的通信分析)

这个算法不一样的地方在于加入了：不同配体和受体之间的竞争以及细胞之间的空间距离。

集体最优传输（collective optimal transport）在细胞间通信（CCC）分析中的应用及其三个关键特点：

• 非概率质量分布：通过控制传输计划的边际分布，确保不同种类配受体之间的可比性。
• 空间距离约束：避免连接空间上相距较远的细胞，从而更真实地反映细胞间通信的物理限制。
• 多种类相互作用：允许配体和受体的多种分布之间进行传输，以更好地模拟复杂的生物相互作用。

下面是这个算法的Overview：

图片

因为这篇文献的作者来自数学系，嗯，给了一个数学公式说明其原理：

给定一个包含 ns个细胞或点的空间转录组学数据集，以及 nl 种配体和 nr 种受体。

通过集体最优传输，确定一个最优的多物种耦合 P∗，其维度为 nl×nr×ns×ns。

矩阵 P∗ 中的元素 P*~i,j,k,l~ 表示通过配体 i 和受体 j 从发送细胞 k 到接收细胞 l 的信号强度。

通过解决一个最小化问题来找到最优耦合矩阵 P∗。该问题的目标函数涉及：

• α(i,j)：权重因子，用于调整不同配体-受体对的重要性；
• C(i,j)：成本矩阵，表示配体 i 和受体 j 之间的传输成本；
• ⟨⋅,⋅⟩F：Frobenius内积，用于衡量传输计划与成本矩阵之间的匹配程度；
• Γ：约束条件集合，确保传输计划满足边际分布等约束。

图片

文献中的案例应用

这个文献用了五种测序技术来表明其方法的可靠性。

细胞间通信（CCC）在人类皮肤发育中的作用

b，c，两个示例配体-受体对GAS6-TYRO3和PROS1-TYRO3在细胞水平（b）和细胞簇水平（c）上推断出的接收信号量

图片

展示了四种主要信号通路的信号传导方向。信号传导方向可能通过向量场或其他可视化方式表示，反映了信号在细胞或组织中的传播路径：

图片

单细胞分辨率的空间转录组：小鼠下丘脑视前区的MERFISH数据中推断信号传导方向

图片

使用Visium空间转录组学数据进行CCC推理

人乳腺癌组织：

图片

小鼠脑组织中的信号：

图片

这些案例的分析代码可以去这里看：https://doi.org/10.5281/zenodo.7272562

环境准备

安装在conda小环境spatial中，然后运行使用vscode的jupter插件，非常方便：

conda activate spatial
pip install commot -i https://mirrors.tuna.tsinghua.edu.cn/pypi/web/simple

新建jupter脚本：

touch commot.ipynb

加载python模块测试是否成功：

import commot as ct
import scanpy as sc
import pandas as pd
import numpy as np

示例数据

使用的还是10x genomics官网发布的很有名的数据：V1_Mouse_Brain_Sagittal_Posterior

下载地址：https://www.10xgenomics.com/datasets/mouse-brain-serial-section-1-sagittal-posterior-1-standard-1-0-0

下载并整理成如下格式：

#V1_Mouse_Brain_Sagittal_Posterior
.
├── filtered_feature_bc_matrix.h5
├── spatial
│   ├── aligned_fiducials.jpg
│   ├── detected_tissue_image.jpg
│   ├── scalefactors_json.json
│   ├── tissue_hires_image.png
│   ├── tissue_lowres_image.png
│   └── tissue_positions_list.csv
└── web_summary.html

简单读取进来：

import scanpy as sc
adata = sc.read_visium(path="../data/V1_Mouse_Brain_Sagittal_Posterior/")
adata.var_names_make_unique()
adata

图片

后面运行的代码我就不放了，官网写了非常详细：https://commot.readthedocs.io/en/latest/notebooks/visium-mouse_brain.html

需要注意的地方在于 空间细胞通讯的那句：dis_thr=500 这个参数的设定比较重要，dis_thr (Optional[float]) – The threshold of spatial distance of signaling，空间距离通讯的限制参数，需要根据实际情况进行调整~

ct.tl.spatial_communication(adata_dis500,
    database_name='cellchat', df_ligrec=df_cellchat_filtered, dis_thr=, heteromeric=True, pathway_sum=True)

高分文献应用

看看这篇于2024年12月12号发表在Cell杂志上的文献，标题为《Multiparameter imaging reveals clinically relevant cancer cell-stroma interaction dynamics in head and neck cancer》。

这里的细胞通讯作者用的cellphonedb，只是用 使用 COMMOT（版本 0.0.325）通过函数 commot.tl.spatial_communication 计算了选定通路的空间相互作用得分，其中设置了空间距离阈值参数 dis_thr=500。结果通过 squidy.pl.spatial_scatter 和 seaborn（版本 0.13.252）进行可视化，展示了接收方和发送方得分的总和，以小提琴图的形式呈现。

图片